Simuler le cerveau des singes avec un GPU bon marché
Une simulation qui fonctionne plus vite sur une carte graphique commerciale que sur certains superordinateurs, pourrait réduire considérablement le coût de l’étude du fonctionnement de nos cerveaux.
Utiliser une carte graphique commerciale
Les chercheurs utilisent depuis longtemps des modèles numériques pour mieux comprendre notre cerveau dans l’espoir de mettre au point des traitements pour des maladies, telles que celles d’Alzheimer ou de Parkinson, mais la simulation du nombre de neurones et de synapses de la créature la plus simple, est extrêmement gourmande en calculs, ce qui signifie que même les superordinateurs ont de la difficulté.
Avant d’effectuer une simulation des neurones du cerveau et d’un grand nombre de connexions synaptiques, le modèle doit être transféré dans la mémoire de travail de l’ordinateur, avec l’état de départ de chaque synapse.
Au fur et à mesure que la simulation progresse, l’ordinateur doit se référer à cet ensemble de données pour récupérer ou mettre à jour l’état de chaque connexion synaptique. Cet accès à la mémoire est beaucoup plus lent que les calculs réels impliqués dans la simulation, et il devient donc un goulot d’étranglement.
Les cartes graphiques commerciales, appelées GPU, sont conçues pour rendre des scènes 3D en effectuant rapidement de nombreux calculs arithmétiques en parallèle, une capacité qui les rend également particulièrement rapides pour d’autres tâches, notamment la simulation de connexions synaptiques.
James Knight de l’université du Sussex, au Royaume-Uni, et ses collègues ont créé une simulation qui utilise un générateur de nombres aléatoires dans le cadre du processus de création d’un état synaptique. Bien que cet élément aléatoire signifie que la simulation ne peut pas se référer à l’état de départ exact du modèle chaque fois qu’elle doit créer une nouvelle connexion, l’équipe a constaté que cette approche produisait des résultats comparables aux simulations traditionnelles.
La simulation est plus rapide
Elle rend également les choses beaucoup plus rapides, car l’ordinateur n’a besoin de traiter que les données sur l’état des synapses qu’il est en train de modéliser, tout comme un jeu vidéo ne rend que la partie du monde que le joueur regarde.
L’équipe a utilisé comme référence un modèle existant du cortex visuel d’un singe macaque, composé de plus de 4 millions de neurones. En 2018, une seconde d’activité cérébrale à l’intérieur du modèle a été simulée sur le supercalculateur Blue Gene/Q d’IBM en 12 minutes. En utilisant une carte graphique disponible dans le commerce, l’équipe de M. Knight a pu réaliser la même tâche en un peu moins de 8 minutes.
Le supercalculateur d’IBM avait déjà plusieurs années lorsque cette expérience a été menée. Un supercalculateur plus récent de JURECA a pu exécuter la même simulation en 31 secondes, mais celle-ci peut coûter des dizaines de millions de dollars, et nécessiter une équipe de maintenance. En revanche, M. Knight affirme que le matériel Nvidia Titan RTX utilisé dans ses tests ne coûte que quelques dollars.
« Cela signifie que les chercheurs dont l’objectif premier n’est pas de s’occuper des superordinateurs, pourraient explorer des choses avec ce modèle », dit-il.
Mais il y a une faille. Lorsque nous apprenons, notre cerveau affaiblit ou renforce constamment les connexions entre les synapses, une capacité connue sous le nom de plasticité synaptique. La simulation avec un GPU ne peut pas faire cela, car elle doit toujours recalculer les connexions à partir de zéro, en revenant à l’état initial du modèle.
Une approche hybride pour la plasticité synaptique
M. Knight pense qu’une approche hybride utilisant sa nouvelle technique et un modèle traditionnel dans lequel l’état des synapses est stocké en mémoire, et peut être mis à jour, permettrait une plasticité là où c’est nécessaire et une grande vitesse là où ce n’est pas le cas, mais l’équipe n’a pas encore essayé cela.
« Il y a un énorme avantage à travailler à l’élaboration d’astuces qui nous permettent d’augmenter les simulations neurales sur les GPU, étant donné leur grande disponibilité », déclare Simon Schultz de l’Imperial College de Londres. « Mais faire fonctionner efficacement la plasticité synaptique est le fléau de la mise à l’échelle des simulations neuronales, et un problème que cet algorithme ne résout malheureusement pas ».
Cette recherche a été publiée dans Nature Computational Science.
Source : New Scientist
Crédit photo : Rawpixel